Antecedentes

Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Un Modelo de Alerta Temprana basado en
Anlisis Factorial Robusto y Funciones
Discriminantes Bayesianas - Una Aplicacin al
Sistema Financiero de Bolivia
Rolando Gonzales Martnez
August 25, 2011
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Antecedentes
Sistema nanciero: imprescindible para el desarrollo y el
crecimiento de una economa
1
Debido a su importancia, las autoridades de supervisin
evalan constantemente el buen funcionamiento de este
sistema con modelos de alerta temprana
Los modelos de alerta temprana son un sistema funcional
macroprudencial que permite anticipar riesgos en el
sistema nanciero
1
Porque permite la intermediacin entre el ahorro y el crdito, asigna
ecientemente recursos nancieros, provee medios de pago y contribuye a
la diversicacin de riesgos.
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Modelos de alerta temprana en la prctica...
Algunos problemas y algunas soluciones
Problemas prcticos:
1 La multicolinealidad de los
indicadores nancieros
2 Observaciones aberrantes
3 Incorporar rigurosamente
la experiencia nanciera
de los supervisores
Soluciones propuestas:
Anlisis factorial robusto
(para 1 y 2)
La funcin discriminante
Bayes-Fisher de Huang-Liu
(para 3)
(Se ilustra las soluciones con una aplicacin al sistema
nanciero de Bolivia)
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Modelos de alerta temprana en la prctica...
Algunos problemas y algunas soluciones
Problemas prcticos:
1 La multicolinealidad de los
indicadores nancieros
2 Observaciones aberrantes
3 Incorporar rigurosamente
la experiencia nanciera
de los supervisores
Soluciones propuestas:
Anlisis factorial robusto
(para 1 y 2)
La funcin discriminante
Bayes-Fisher de Huang-Liu
(para 3)
(Se ilustra las soluciones con una aplicacin al sistema
nanciero de Bolivia)
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Anlisis factorial robusto
X R
p
, X = (r
1
, ..., r
p
)
T
(observables)
E(X) = , cov(X) = (positiva denida)
Asumiendo: X = LF + +
con E() = 0, cov () := = diag
_

2
1
, ...,
2
p
_
Interesa:

F
i
=

L
T

1
_
X
i
X
_
, donde

F
i
es (m1) con m p

L =
1/2
, =
T
,
= [
1

k
], = diag (
1
, ...,
k
),
Sin embargo el estimador

=
1
N1
N

i =1
X
i
X
/
i
no es robusto a las
observaciones aberrantes (Pison et al., 2001). Se sugiere
reemplazar

por R, estimada con el algoritmo MCD
(Minimum Covariance Determinant) de Rousseeuw y Van
Driedsen (1999).
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Problemas de multicolinealidad y observaciones
aberrantes
Se emplearon 10 ratios nancieros
2
de entidades nancieras
intervenidas
3
y vigentes del sistema nanciero de Bolivia en el ao
2003.
Belsley-Kuh-Welsch ( = 140)
Indicador Prop. de varianza
1 0.75
2 0.63
5 0.98
8 0.88
2
CAP, CAP primario, CAP + riesgo cambiario, cartera vencida
sobre capital, rendimientos antes de impuestos sobre activo, margen
nanciero sobre margen operativo, activos lquidos sobre activos
totales, resultados acumulados sobre activo, activo menos pasivo
sobre pasivo, posicin en moneda extranjera sobre capital.
3
Cooperativa Tropetrol Oriente y mutuales Tarija, Manutata, del
Pueblo y Guapay.
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Resultados del anlisis factorial robusto
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Funciones discriminantes bayesianas
La funcin discriminante bayesiana de Huang y Li (1991) puede
emplearse para construir una regla discriminante entre
entidades nancieras intervenidas y vigentes. Sea k = 2,
entonces P
1
y P
2
= 1 P
1
, y,
X =
_
_
X
(1)

X
(2)
_
_
, X
(1)
=
_
_
_
_
f
(1)
1,1
f
(1)
2,1
.
.
.
.
.
.
f
(1)
1,i
f
(1)
2,i
_
_
_
_
, X
(2)
=
_
_
_
_
f
(2)
1,i +1
f
(2)
2,i +1
.
.
.
.
.
.
f
(2)
1,n
f
(2)
2,n
_
_
_
_

(1)
,
(2)
, V
(1)
, V
(2)
E = 2P
1
P
2
X
_
P
1
V
(1)
+P
2
V
(2)
_
1
_

(1)

(2)
_
| = 2P
1
P
2
2

(1)
_
P
1
V
(1)
+P
2
V
(2)
_
1
_

(2)

(1)
_
+ 2P
2
1
P
2

(2)
_
P
1
V
(1)
+P
2
V
(2)
_
1
_

(2)

(1)
_
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Resultados de las funciones discriminantes
bayesianas
(Asumiendo X
()
~ A
_

()
, V
()
_
para los vectores aleatorios,
la p.d.f. ser
f
X
()
=
1
2
k/2
[
V
()
[
1/2
exp

1
2
(
x
()
)
/
V
()1
(
x
()
)
)
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Evaluacin del modelo propuesto
El estadstico
4
Q = 2304/50 = 46.08 y el valor crtico de la
distribucin
2
1gl
al 99% es 6.6349: la H
0
de clasicacin no
signicativamente mejor que el azar puede rechazarse a niveles de
signicancia menores al 1 por ciento, conrmando la capacidad del
modelo propuesto para realizar una adecuada clasicacin.
4
Vase Martnez (1999).
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Discriminacin Bayesiana: 3D
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Conclusiones
Los resultados de experimentos de clasicacin y del estadstico
Q mostraron la capacidad del modelo para detectar
correctamente a entidades intervenidas.
El modelo propuesto puede ser utilizado como una herramienta
macroprudencial adicional.
El modelo permite incluir cuantitativamente la experiencia y la
opinin de los supervisores sobre la probabilidad de riesgo
sistmico.
Un modelo que se actualiza con opiniones expertas adems de
datos observados puede adaptarse fcil y rpidamente a
condiciones cambiantes del entorno nanciero e integrar riesgos
adicionales no explicitados.
Futuras investigaciones pueden calcular las probabilidades de
riesgo sistmico a partir de un conjunto de variables
macro-prudenciales, como e.g. el ciclo econmico.
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Conclusiones
Los resultados de experimentos de clasicacin y del estadstico
Q mostraron la capacidad del modelo para detectar
correctamente a entidades intervenidas.
El modelo propuesto puede ser utilizado como una herramienta
macroprudencial adicional.
El modelo permite incluir cuantitativamente la experiencia y la
opinin de los supervisores sobre la probabilidad de riesgo
sistmico.
Un modelo que se actualiza con opiniones expertas adems de
datos observados puede adaptarse fcil y rpidamente a
condiciones cambiantes del entorno nanciero e integrar riesgos
adicionales no explicitados.
Futuras investigaciones pueden calcular las probabilidades de
riesgo sistmico a partir de un conjunto de variables
macro-prudenciales, como e.g. el ciclo econmico.
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Conclusiones
Los resultados de experimentos de clasicacin y del estadstico
Q mostraron la capacidad del modelo para detectar
correctamente a entidades intervenidas.
El modelo propuesto puede ser utilizado como una herramienta
macroprudencial adicional.
El modelo permite incluir cuantitativamente la experiencia y la
opinin de los supervisores sobre la probabilidad de riesgo
sistmico.
Un modelo que se actualiza con opiniones expertas adems de
datos observados puede adaptarse fcil y rpidamente a
condiciones cambiantes del entorno nanciero e integrar riesgos
adicionales no explicitados.
Futuras investigaciones pueden calcular las probabilidades de
riesgo sistmico a partir de un conjunto de variables
macro-prudenciales, como e.g. el ciclo econmico.
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Conclusiones
Los resultados de experimentos de clasicacin y del estadstico
Q mostraron la capacidad del modelo para detectar
correctamente a entidades intervenidas.
El modelo propuesto puede ser utilizado como una herramienta
macroprudencial adicional.
El modelo permite incluir cuantitativamente la experiencia y la
opinin de los supervisores sobre la probabilidad de riesgo
sistmico.
Un modelo que se actualiza con opiniones expertas adems de
datos observados puede adaptarse fcil y rpidamente a
condiciones cambiantes del entorno nanciero e integrar riesgos
adicionales no explicitados.
Futuras investigaciones pueden calcular las probabilidades de
riesgo sistmico a partir de un conjunto de variables
macro-prudenciales, como e.g. el ciclo econmico.
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Conclusiones
Los resultados de experimentos de clasicacin y del estadstico
Q mostraron la capacidad del modelo para detectar
correctamente a entidades intervenidas.
El modelo propuesto puede ser utilizado como una herramienta
macroprudencial adicional.
El modelo permite incluir cuantitativamente la experiencia y la
opinin de los supervisores sobre la probabilidad de riesgo
sistmico.
Un modelo que se actualiza con opiniones expertas adems de
datos observados puede adaptarse fcil y rpidamente a
condiciones cambiantes del entorno nanciero e integrar riesgos
adicionales no explicitados.
Futuras investigaciones pueden calcular las probabilidades de
riesgo sistmico a partir de un conjunto de variables
macro-prudenciales, como e.g. el ciclo econmico.
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Recomendaciones
Utilizar mtodos bayesianos.
Antecedentes
Modelos de
alerta
temprana
Problemas y
soluciones
Anlisis
factorial
robusto
Funciones
discriminantes
bayesianas
Evaluacin
Conclusiones y
Recomenda-
ciones
Referencias
Huang, Xiang-Ning, Bai-Bing Li (1991), A New
Discriminant Technique: Bayes-Fisher Discrimination,
Biometrics, Vol. 47, No. 2, 741-744
Martnez, Rosario (1999), El Anlisis Multivariante en la
Investigacin Cientca, Cuadernos de Estadstica, Ed. La
Muralla, Madrid, 1era Edicin, pp. 143
Pison, Greet, Peter Rousseeuw, Peter Filzmoser,
Christophe Croux (2001), Robust Factor Analysis, Journal
of Multivariate Analysis, 84, 145-172
Rousseeuw, Peter J., Katrien Van Driessen (1999), A Fast
Algorithm for the Minimum Covariance Determinant
Estimator, American Technometrics, Vol 41, No. 3,
212-223